AnimeGAN Pytorch <a href="https://colab.research.google.com/github/ptran1203/pytorch-animeGAN/blob/master/notebooks/animeGAN_inference.ipynb" target="_parent"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/19f24f77-55c6-4181-a21b-aeb876b474bf.svg" alt="在Colab中打开" data-canonical-src="https://yellow-cdn.veclightyear.com/0a4dffa0/19f24f77-55c6-4181-a21b-aeb876b474bf.svg"></a>

AnimeGAN的Pytorch实现，用于快速照片动漫化

• 论文：AnimeGAN: a novel lightweight GAN for photo animation - Semantic scholar 或 Yoshino仓库
• Tachibana Yoshino的Tensorflow原始实现
• 在Hugging Face上试用
• 在Replicate上的演示和Docker镜像
• 动漫视频示例：https://www.youtube.com/watch?v=45ASFOR3rNU

输入	动画化

---

• 2024/06/09: 集成到Hugging Face Spaces，点此试用
• 2024/06/02: 发布Arcane（结果见此）和新海诚风格
• 2024/05/05: 添加color_transfer模块以保留生成图像的原始颜色，查看此处。
• 2024/04/23: 添加DDP训练。
• 2024/04/16: 发布AnimeGANv2（宫崎骏风格）及训练代码

---

快速开始

git clone https://github.com/ptran1203/pytorch-animeGAN.git
cd pytorch-animeGAN

在本地机器上运行推理

--src 可以是目录或图像文件

python3 inference.py --weight hayao:v2 --src /your/path/to/image_dir --out /path/to/output_dir

• Python代码

from inference import Predictor

predictor= Predictor(
    'hayao:v2',
    # 如果设置为True，生成的图像将保留原始图像的颜色
    retain_color=True
)

url = 'https://github.com/ptran1203/pytorch-animeGAN/blob/master/example/result/real/1%20(20).jpg?raw=true'

predictor.transform_file(url, "anime.jpg")

预训练权重

模型名称	模型	数据集	权重
Hayao	AnimeGAN	train_photo + 宫崎骏风格	generator_hayao.pt
Shinkai	AnimeGAN	train_photo + 新海诚风格	generator_shinkai.pt
Hayao:v2	AnimeGANv2	Google Landmark v2 + 宫崎骏风格	GeneratorV2_gldv2_Hayao.pt
Shinkai:v2	AnimeGANv2	Google Landmark v2 + 新海诚风格	GeneratorV2_gldv2_Shinkai.pt
Arcane:v2	AnimeGANv2	Face ffhq + Arcane风格	GeneratorV2_ffhq_Arcane_210624_e350.pt

在自定义数据集上训练

• 在Google Colab上的训练笔记本
• 在Google Colab上的推理笔记本

1. 准备数据集

1.1 要从论文中下载数据集，请运行以下命令

wget -O anime-gan.zip https://github.com/ptran1203/pytorch-animeGAN/releases/download/v1.0/dataset_v1.zip
unzip anime-gan.zip

=> 数据集文件夹将以dataset的名称出现在您当前的文件夹中

1.2 从动画视频创建自定义数据

您需要在机器上有一个视频文件。

步骤1. 从视频创建动画图像

python3 script/video_to_images.py --video-path /path/to/your_video.mp4\
                                --save-path dataset/MyCustomData/style\
                                --image-size 256\

步骤2. 从步骤1的数据集创建边缘平滑版本

python3 script/edge_smooth.py --dataset MyCustomData --image-size 256

2. 训练animeGAN

要从命令行训练animeGAN，您可以按如下方式运行train.py：

python3 train.py --anime_image_dir dataset/Hayao \
                --real_image_dir dataset/photo_train \
                --model v2 \                 # animeGAN版本，可以是v1或v2
                --batch 8 \
                --amp \                      # 开启自动混合精度训练
                --init_epochs 10 \
                --exp_dir runs \
                --save-interval 1 \
                --gan-loss lsgan \           # 可选[lsgan, hinge, bce]之一
                --init-lr 1e-4 \
                --lr-g 2e-5 \
                --lr-d 4e-5 \
                --wadvd 300.0\               # D的对抗损失权重
                --wadvg 300.0\               # G的对抗损失权重
                --wcon 1.5\                  # 内容损失权重
                --wgra 3.0\                  # Gram损失权重
                --wcol 30.0\                 # 颜色损失权重
                --use_sn\                    # 如果设置，使用谱归一化，默认为False

3. 转换图像

要转换文件夹中的图像或单个图像，运行inference.py，例如：

--src和--out可以是目录或文件

python3 inference.py --weight path/to/Generator.pt \
                     --src dataset/test/HR_photo \
                     --out inference_images

4. 转换视频

要将视频转换为动画版本：

选择--batch-size时要小心，如果视频分辨率太大，可能会导致CUDA内存错误

python3 inference.py --weight hayao:v2\
                        --src test_vid_3.mp4\
                        --out test_vid_3_anime.mp4\
                        --batch-size 4

AnimeGAN v2的结果

宫崎骏风格

输入	宫崎骏风格v2

奥术风格

输入	Arcane

<details> <summary><strong> 更多结果 - 宫崎骏 V2 风格 </strong></summary>

</details> ``` L(G, D) = W(adv)L(adv)(G, D) + W(con)L(con)(G, D) + W(gra)L(gra)(G, D) + W(col)L(col)(G,D) ```

1. 对抗损失（LSGAN）

L(adv)(D) = 0.5 * (D(x_anime) - 1)^2 + 0.5 * (D(G(x_photo)))^2

L(adv)(G) = 0.5 (D(G(x_photo)) - 1)^2

2. 内容损失

L(con)(G, D) = ||VGG(x_photo) - VGG(G(x_photo))||

3. Gram矩阵损失

L(gra)(G, D) = ||gram(VGG(G(x_photo))) - Gram(VGG(x_anime_gray))||

4. 颜色重建损失

L(col)(G, D) = || Y(G(x_photo)) - Y(x_photo) || + Huber(|| U(G(x_photo)) - U(x_photo) ||)
    + Huber(|| V(G(x_photo)) - V(x_photo) ||)